文献类型：期刊文章

作　　者：姜烨飞[1] 王华[1] 潘裕斌[1] 王天祥[1] 傅航[2]

JIANG Yefei;WANG Hua;PAN Yubin;WANG Tianxiang;FU Hang(College of Mechanical and Power Engineering,Nanjing Tech University,Nanjing 211800,China;Soter Transmission Equipment Co.,Ltd.,Changshu 215500,China)

机构地区：[1]南京工业大学机械与动力工程学院,南京211800 [2]索特传动设备有限公司,江苏常熟215500

出　　处：《振动与冲击》

基　　金：国家自然科学基金(52205106);江苏省自然科学基金青年项目(BK20210547)。

年　　份：2024

卷　　号：43

期　　号：19

起止页码：10-18

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对工程应用中特大型轴承运行工况复杂以及故障数据匮乏,导致其故障特征提取不全面的问题,提出了一种基于格拉姆角差场-多尺度深度可分离卷积(Gramian angular difference field-multi-scale depthwise separable convolutions,GADF-MDSC)的特大型轴承深度迁移智能诊断方法。首先,构建GADF-MDSC故障诊断网络,该网络分为三大模块:图像转换、特征提取、输出部分。图像转换模块采用GADF编码方式将振动信号转换为二维图像;特征提取模块通过MDSC提取综合故障特征信息,并利用双向门控循环单元筛选融合特征;输出部分由Softmax函数预测轴承故障类型的概率分布。然后,利用源域数据预训练模型,将预训练模型权重参数作为目标域训练模型初始化参数,冻结除底层外的所有参数,使用目标域数据微调模型,实现深度迁移故障诊断任务。最后,通过两种特大型轴承试验对深度迁移模型进行验证。试验结果表明,所提方法在目标域样本仅有5.00%的条件下,仍能保证较高的跨工况精度,达到86.04%,且迁移效果优于其他方法。

关 键 词：特大型轴承 故障诊断 迁移学习  格拉姆角差场(GADF)  多尺度深度可分离卷积(MDSC)  

分 类 号：TP206.3] TH825]